[发明专利]一种基于卷积神经网络的快速预测方法

权利要求书

1.一种基于卷积神经网络的快速预测方法，其特征在于，包括以下步骤：

获取气体，利用气体传感器阵列对气体识别；

获取气体传感器阵列对气体识别的响应曲线；

从响应曲线中获取提取特征值；

对特征值进行预处理及归一化，得到特征数据集；

将所述特征数据集随机分为训练数据集和测试数据集；

将训练数据集输入到CNN神经网络中进行训练，得到预测神经网络模型。

2.根据权利要求1所述的一种基于卷积神经网络的快速预测方法，其特征在于，还包括利用测试数据集对所述预测神经网络模型进行检测。

3.根据权利要求1所述的一种基于卷积神经网络的快速预测方法，其特征在于，所述特征值包括曲线积分面积之和，最大响应值、上升段最大正斜率以及振幅。

4.根据权利要求3所述的一种基于卷积神经网络的快速预测方法，其特征在于，曲线积分面积之和，采用一阶牛顿-柯特斯闭型积分公式，具体计算为：

其中，h是积分步长，即曲线上相邻两点横坐标之间的距离；n表示把积分区域平均分成n等份；f(x_i)和f(x_i+1)分别是曲线上第i个和第i+1个函数值。

5.根据权利要求3所述的一种基于卷积神经网络的快速预测方法，其特征在于，最大响应值即为曲线上最高点的函数值：

M＝f(x)_max。

6.根据权利要求3所述的一种基于卷积神经网络的快速预测方法，其特征在于，振幅为曲线最大响应值与稳定值之差：

A＝f(x)_max-f(x)₁；

其中，f(x)₁为稳定值。

7.根据权利要求3所述的一种基于卷积神经网络的快速预测方法，其特征在于，上升段最大正斜率计算如下：

其中，x取值范围为上升沿区域。

8.根据权利要求1所述的一种基于卷积神经网络的快速预测方法，其特征在于，CNN神经网络包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层；

输入层：接受归一化处理后的单个训练样本；

2个卷积层：增加网络深度，并通过卷积进一步提取输入信号中的隐藏特征；

池化层：接受卷积层的输出值作为输入值，对特征进行压缩，除去冗余信息，减小计算量；

全连接层：接受池化层的的输出值作为输入值，输出值是E个元素，其中E代表预测情况；

Softmax层：采用Softmax函数作为激活函数，把任意一个m维向量压缩到另一个m维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1；

输出层：将Softmax层的输出值作为预测依据。

9.根据权利要求8所述的一种基于卷积神经网络的快速预测方法，其特征在于，卷积层的公式具体为:

s(i，j)＝(X*W)(i，j)＝∑m∑nx(i+m，j+n)w(m，n)；

其中，W为卷积核，X为输入张量。